<![CDATA[Tuberkulosis (TB) merupakan salah satu penyakit menular yang paling mematikan di dunia, dengan prevalensi yang tinggi terutama di negara-negara berkembang. Deteksi dini tuberkulosis sangat penting untuk mencegah penyebarannya dan memastikan pasien menerima pengobatan tepat waktu. Meskipun diagnosis tuberkulosis biasanya ditegakkan melalui pemeriksaan laboratorium dan radiologi, metode ini memerlukan waktu dan sumber daya yang cukup besar. Dalam beberapa tahun terakhir, kemajuan di bidang kecerdasan buatan, Deep Learning, khususnya menawarkan potensi besar untuk mempercepat dan meningkatkan akurasi deteksi TB melalui pencitraan rontgen dada (CXR). Penelitian ini mengevaluasi penggunaan Transfer Learning dalam model Deep Learning, khususnya Convolutional Neural Network (CNN), untuk mendeteksi TB pada gambar CXR. Model CNN terlatih seperti VGG-16, Inception-V3, dan DenseNet-121 digunakan untuk melakukan ekstraksi fitur dan klasifikasi gambar. Teknik Transfer Learning ini memungkinkan model mengekstrak pengetahuan dari kumpulan data yang lebih besar dan menerapkannya pada kumpulan data yang dibatasi hingga 1 TB. Meningkatkan akurasi dan efisiensi proses penemuan. Selain itu, penelitian ini juga menggabungkan beberapa model melalui metode ensemble, seperti pemungutan suara mayoritas, rata-rata sederhana, rata-rata tertimbang, dan pengelompokan, untuk menggabungkan prediksi model yang berbeda untuk mendapatkan prediksi yang paling akurat dan stabil. Hasil penelitian menunjukkan bahwa kombinasi Transfer Learning khusus mode CXR dan teknik ensemble mampu memberikan akurasi deteksi yang sangat tinggi, dengan Area Under the Curve (AUC) mencapai 0,995. Teknik clustered ensemble menunjukkan performa terbaik dibandingkan metode ensemble lainnya, mengurangi variabilitas perkiraan dan meningkatkan kemampuan model untuk menggeneralisasi data baru. Kombinasi ini telah terbukti efektif dalam mengurangi overfitting, meningkatkan akurasi,dalam hal mengurangi bias dalam klasifikasi TB pada gambar CXR. Dengan hasil tersebut, diharapkan teknik ini dapat menjadi alat pendukung yang handal dalam diagnosis tuberkulosis, terutama di daerah dengan keterbatasan akses terhadap laboratorium dan tenaga medis yang berpengalaman.]]>
